Автор: Marko · 4 хв читання

Чому AI-проєкти провалюються і який етап пропускають

Чому AI-проєкти провалюються і який етап пропускають

Демо працює вже за вечір. Чат-бот відповідає клієнтам, агент складає звіт, команда в захваті. Минає два місяці, і проєкт тихо зникає з порядку денного. Знайомо? Так закінчується більшість AI-проєктів, і рідко через саму модель.

Нижче розбираємо, що кажуть дослідження, звідки взялась гучна цифра 95% і на якому етапі проєкти ламаються.

Чому більшість AI-проєктів провалюються?

Більшість AI-проєктів провалюються, бо команда стрибає до автоматизації раніше, ніж AI знає контекст бізнесу і ніж зрозуміло, що вважати результатом. Дослідження називають одні й ті самі причини: нечітко поставлена задача, погані дані, неясна цінність. Модель рідко буває головною проблемою. Проблема в тому, на що вона спирається.

За оцінками, які наводить RAND, понад 80% AI-проєктів не досягають мети. Це вдвічі частіше, ніж у звичайних IT-проєктів без AI. Дослідники RAND опитали 65 досвідчених дата-сайєнтистів та інженерів, і першою причиною провалу назвали таку: замовник неправильно розуміє, яку проблему має розв'язати AI, або не може її пояснити.

Gartner у 2024 році прогнозував, що щонайменше 30% проєктів генеративного AI покинуть після пілоту до кінця 2025 року. Причини: погана якість даних, слабкий контроль ризиків, зростання витрат і неясна бізнес-цінність.

Чи правда, що 95% AI-проєктів провалюються?

Цифра 95% походить зі звіту MIT NANDA «The GenAI Divide» 2025 року, і міряє вона вужче, ніж звучить. За переказом Fortune, 95% компаній у вибірці дослідників не побачили вимірного впливу генеративного AI на прибуток. Це висновок про конкретну вибірку і про гроші. На всі AI-проєкти у світі його переносити не варто.

Сам звіт MIT поширюється за запитом, тому тут ми спираємось на переказ Fortune. Варто знати і ширшу картину. Цифри в різних джерелах коливаються від 30% до 95%, бо міряють різне: пілоти, які покинули, проєкти, що не досягли мети, компанії без прибутку від AI. Спільне в них одне: провал трапляється частіше за успіх, і причини майже завжди ті самі.

Причини провалу по чотирьох етапах

У статті про модель зрілості AI ми описали чотири етапи: Prompt, Context, Harness і Loop. Кожен наступний тримається на попередньому. Якщо покласти причини з досліджень поруч з етапами, майже кожна з них означає, що команда пропустила якийсь етап.

ЕтапЩо мало з'явитисьЯк провал звучить у дослідженняхОзнака у вас
Promptспільні правила роботи з AIнаше спостереження: пілот тримається на одній людинірезультат є лише в того, хто запустив пілот
Contextодна база знань бізнесупогана якість даних (Gartner), бракує даних (RAND)AI щоразу треба пояснювати, хто ви і як у вас заведено
Harnessкритерій «зроблено» і перевірканеясна цінність (Gartner), неправильно зрозуміла задача (RAND)ніхто не може сказати, чи пілот вдався
Loopрегулярна робота без ручних нагадуваньзростання витрат і неясна цінність (Gartner)автоматизація множить помилки швидше, ніж їх помічають
Why AI projects fail: teams jump from Prompt straight to Loop and skip Context and Harness, and the project falls into the gap between them
FIG. 01

Найчастіше пропускають Context і Harness. Вони найменш помітні: у них немає ефектного демо, лише записані домовленості й чіткі критерії. Зате саме вони вирішують, чи пілот переживе зустріч зі справжньою роботою. Context означає базу знань для AI, з якої працюють і команда, і AI. Harness означає, що в кожної задачі є критерії приймання і результат перевіряють за ними.

Стрибок одразу на четвертий етап коштує найдорожче. За прогнозом Gartner, понад 40% проєктів з AI-агентами скасують до кінця 2027 року. Агент без бази знань працює наосліп, а агент без перевірки результату просто швидше помиляється.

Чому AI здається простішим, ніж є

На старті AI здається всесильним. Прототип збирається за вечір, і людина одразу планує ще кілька систем, а часом і власний продукт. AI імітує простоту: перший результат з'являється швидко, а справжній обсяг роботи лишається за кадром.

Цей обсяг ховається на останньому відрізку: зібрати контекст, вбудувати AI в процес, перевіряти результат, привчити команду. Саме тут проєкти й зупиняються, на півдорозі, з десятком напівготових ідей.

Ми бачимо це у власній роботі щодня. Довести AI-проєкт до кінця можна, але для цього потрібна система, на яку спирається кожен наступний крок.

Як зробити так, щоб AI-проєкт вдався?

Почніть з одного процесу. Запишіть контекст, з яким AI має працювати. До старту домовтесь, що вважати результатом, і перевіряйте кожен результат за цим критерієм. Автоматизуйте лише те, що вже стабільно працює вручну. Так проєкт проходить етапи по черзі, і жоден із них не випадає.

Перед запуском пілоту варто відповісти на п'ять питань:

  • Який один процес ми змінюємо і хто за нього відповідає?
  • Де записано контекст, з яким працюватиме AI?
  • Як ми зрозуміємо, що результат готовий?
  • Хто і як перевіряє результат, перш ніж його прийняти?
  • Що має працювати вручну, перш ніж ми це автоматизуємо?

Немає відповіді хоча б на одне питання: пілот ризикує стати ще одним гарним демо.

Підсумок

Більшість AI-проєктів провалюються з тих самих причин: команда стрибає до автоматизації, пропускаючи базу знань і перевірку результату. Цифри в дослідженнях різні, а картина одна. Найдешевший спосіб не потрапити в статистику: пройти етапи по черзі.

Щоб зрозуміти, з якого етапу почати, пройдіть короткий тест у статті про модель зрілості AI. А якщо цікаво, як етапи виглядають у живій системі, покажемо за 20 хвилин на дзвінку.

Джерела